MétaCan
Menu
Retour à la cohorte
Enregistrement W4229596744 · doi:10.1504/ijimr.2018.090946

Dynamic simulation of serial robots under force control

2018· article· en· W4229596744 sur OpenAlexaff
Arun Dayal Udai, Subir Kumar Saha

Notice bibliographique

RevueInternational Journal of Intelligent Machines and Robotics · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueRobot Manipulation and Learning
Établissements canadiensMcGill University
Organismes subventionnairesBoard of Research in Nuclear SciencesBhabha Atomic Research Centre
Mots-clésRobotComputer scienceControl engineeringEngineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The advantages of using force control in industrial robots are well known. Study of such systems in virtual environments in the form of simulation is of great help as most of the force controlled task works in close contact with the environment. In this paper, we show how to simulate different force control algorithms of a typical serial robot used in industries before deciding to choose a suitable one for real implementation. Hence, a proper dynamic model of the robot is essential which should be able to emulate the real robot, particularly if the robot moves at relatively higher speeds. This is done here using the concept of the decoupled natural orthogonal complement (DeNOC) matrices which is known to provide a recursive forward dynamic algorithm that is not only efficient but also numerically stable. Such simulation of robots under force control will allow users to tune the control gains without stopping the real robot on the production floor. Besides, such simulation can be used as an education tool as well to help beginners to explore various types of control algorithms and their performances. In addition, the framework for simulation proposed in this paper can work as a good test bench to test the performances of either a new control law or a different dynamic algorithm. As an illustration, the DeNOC based dynamics was substituted with MATLAB's SimMechanics which can also perform dynamic simulation. The comparison of the results validated the concept and correctness of the numerical simulations.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,931
Score d'incertitude au seuil0,347

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,014
Tête enseignante GPT0,285
Écart entre enseignants0,271 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Intelligent Machines and RoboticsMême sujetRobot Manipulation and LearningTravaux en français237 207